Amazon Connect 和 Amazon Lex 集成

Amazon Connect 和 Amazon Lex 这两项我最喜欢的服务最近推出了一些增强功能，我非常高兴有机会与大家分享这些功能。Amazon Connect 是一项基于云的自助式联络中心服务，可使任何企业能够轻松地以更低成本提供更优质的客户服务。Amazon Lex 是一项使用语音和文本构建对话界面的服务。通过将这两项服务相集成，您可以利用 Lex 的自动语音识别 (ASR) 和自然语言处理 (NLU) 功能为客户打造自助式体验。为了做到这一点，Amazon Lex 团队创建了新的深度学习模型，专门用来识别 8kHz 音频样本中的呼叫中心对话，稍后我将对此进行详细介绍。如果自动程序可以处理 90% 的客户请求，则客户等待时间将会减少，从而有更多时间来使用您的产品。

如需 Amazon Connect 或 Amazon Lex 的更多背景信息，我强烈建议您阅读 Jeff 之前发布的有关这两项服务的帖子 [1][2] (尤其是在您喜欢 LEGO 的情况下)。

接下来，我将向您展示如何使用这项新集成。大家也许知道，我喜欢在自己的 Twitch 频道上试用这些服务。我会选择一款我们针对 Twitch 频道构建的应用程序，然后针对博客进行修改。在这款应用程序的核心，用户拨打 Amazon Connect 号码后，随即会出现一系列“连锁反应”：将用户连接到 Amazon Lex 自动程序，自动程序调用 AWS Lambda 函数，而函数随后执行一组操作。

我们的应用程序有什么作用呢？我想最终解决哪个代码编辑器最为出色这个问题：我钟爱 Vim，这是一款超赞的编辑器，它的代码编辑功能非常棒 (堪称最好的编辑器)。我的同事 Jeff 偏爱 Emacs，它是一款强大的 操作系统编辑器…如果您的手指头足够灵活的话。另一名同事 Tara 习惯用 Visual Studio 和 Sublime。究竟哪个才是最佳编辑器？无需为此纠结，我想还是让诸位亲爱的读者来投票吧,不要担心您甚至可以为 butterflies投票。

对投票感兴趣？请拨打 +1 614-569-4019，告诉我们您要为哪款编辑器投票！我们不会存储您的号码，也不记录您的语音，尽管放心投票吧，您可为 Vim 多次投票。想看投票的直播吗？ http://best-editor-ever.s3-website-us-east-1.amazonaws.com

现在，我们该如何进行巧妙设计呢？

Amazon Lex

我们先看看 Lex 方面的相关设计吧。创建一个名为 VoteEditor 的自动程序，它具有单个目的 VoteEditor、名为 editor 和 ConnectToAgent的单个槽。我们会将编辑器槽填满不同``的代码编辑器名称 (或许不会考虑 Emacs)。

AWS Lambda

我们的 Lambda 函数也非常简单。先创建一个Amazon DynamoDB 表来存储投票信息，然后创建帮助程序方法来响应 Lex (build_response)，随后再确定逻辑。我们将使用 Python 这种最优秀的语言在最佳编辑器中进行编写。

Python

def lambda_handler(event, context):    if 'VoteEditor' == event['currentIntent']['name']:        editor = event['currentIntent']['slots']['editor']        resp = ddb.update_item(            Key={"name": editor.lower()},            UpdateExpression="SET votes = :incr + if_not_exists(votes, :default)",            ExpressionAttributeValues={":incr": 1, ":default": 0},            ReturnValues="ALL_NEW"        )        msg = "Awesome, now {} has {} votes!".format(            resp['Attributes']['name'],            resp['Attributes']['votes'])        return build_response(msg)    else:        return build_response("That intent is not supported yet.")

基本上，如果我们收到某个编辑器的投票，而该编辑器并不存在，那么我们会添加该编辑器并附上 1 次投票。否则会增加该编辑器的得票数 (每次增加 1 票)。非常简单。

我们会告诉 Lex 自动程序使用 Lambda 函数来实现我们的目的。在执行下一步之前，我们可以测试一切是否能在 Lex 控制台中正常运行。

Amazon Connect

接下来就到了有趣的部分了。将 Lex 自动程序连接到 Connect 联系流，然后开始存储这些结果。

在联系流中使用自动程序之前，必须确保 Amazon Connect 实例拥有对它的访问权限。为此，我们需要转到 Amazon Connect 服务控制台，选择实例，然后导航至联系流。其中应该有一个名为“Amazon Lex”的部分，在那里，您可以添加自己的自动程序！

现在 Connect 实例已经知道 Lex 自动程序可供调用，接下来我们就可以创建包含 Lex 自动程序的新联系流。通过熟悉的“获取客户输入”小部件将自动程序添加到流中，但在单击该小部件时，其中会出现一个新的“Amazon Lex”选项卡。

里面提供有诸多选项，但简单来说，我们要添加使用自动程序的目的、要使用的自动程序版本，以及介绍自动程序的简短提示 (可能会提示客户输入信息)。

我们的最终联系流如下所示：

在真实示例中，系统可能会允许客户通过 Lex 自动程序执行许多事务，然后，根据“Error”或“ConnectToAgent”目的，将客户放入他们可与真人对话的队列中。

在此，我想特别指出教 Lex 理解 8kHz 音频的巨大优势及其如此重要的原因。Lex 最初接受训练时使用的语音模型与电话相比占用较大的带宽信道。当您与 Alexa 或 Lex 自动程序对话时，系统通常会以 16kHz 的最低速率对您发送的文本进行采样。通过这种保真度较高的记录，可更加轻松地识别声音差异，如“ess”(/s/) 和“eff”(/f/)，音频专家如是告诉我。如果使用 Alexa，则音频流还会来自我们控制的有限的一些设备，因此，我们确切地知道麦克风发出的声音应是什么样子。但是，电话及其记录的音频依赖由人类植入的一些“卑鄙技巧”。人类及其耳朵非常擅长根据情景来辨识质量较差的录音的内容 (要获取此方面的证据，请参阅 NASA 阿波罗录音)。因此，大多数数字电话系统默认设置为使用 8kHz 采样率 (而非更高采样率)，从而使带宽和保真度之间达到了一种较好平衡。这种基本采样率的首要问题是，您还必须应对以下事实：大量电话数据已失真 (您现在能听到我说话吗？)。目前市面上有数百家不同制造商提供的数千种不同设备，以及大量不同的软件实施方案和编解码器。那么，您该如何解决这一识别问题呢？

Lex 团队找出了解决此问题的最佳方法，即，扩展他们用来解析语音输入的模型集，以纳入专为 Connect 集成设计的 8kHz 模型。他们在 8kHz 数据集的真实客户服务呼叫中保留了自己的模型和网络，而且与其传统模型相比，单词识别率提高了 60% 以上。检测各个单词的准确率越高，识别目的的准确率也就越高。团队为此付出了巨大努力，这可让众多客户通过 Connect 执行更多操作。

最后再说明一下，Connect 使用完全相同的 PostContent 终端节点，因此，如果您是外部开发人员，也可使用该节点，而无需通过 Connect 来利用 Lex 中的这项 8kHz 功能。

希望大家都能喜欢这项功能，与往常一样，要了解真实细节，请参阅这些文档、API 参考指南。

本文转载自 AWS 技术博客。

原文链接：

https://amazonaws-china.com/cn/blogs/china/new-amazon-connect-and-amazon-lex-integration/